| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。何解因为抓取工具会由于重定向而无法提取规则
。谷歌规范请在注释前面加上 # 字符。如果 robots.txt 文件的字符编码不是 UTF-8 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。 |
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ，其中 [path] 可以选择性使用 。有关原始草稿标准的信息 ，以提取关于网站中哪些部分可以被抓取的信息 。主机和域名） 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，抓取工具会忽略不带 [path] 的指令 。
例如 ：
user-agent: otherbot
disallow: /kale
sitemap: https://example.com/sitemap.xml
sitemap: https://CDN.example.org/other-sitemap.xml
sitemap: https://ja.example.org/テスト-サイトマップ.xml
行和规则分组
通过对每个抓取工具重复 user-agent 行，
Google 的自动抓取工具支持 REP（robots 协议） 。该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，请注意，常见格式为 <field>:<value><#optional-comment>。缓存时间可能会延长 。其他组会被忽略 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。指定的抓取工具没有抓取限制 。例如 ，默认情况下 ，服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。这也适用于重定向链中任何被禁止访问的网址，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
示例
user-agent 字段的匹配情况
user-agent: googlebot-news
(group 1)
user-agent:
*(group 2)
user-agent: googlebot
(group 3)
以下为抓取工具选择相关组的方法 ：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1 ，请先阅读我们的 robots.txt 简介 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ， googlebot-news 不会为 Google 图片抓取图片 ，例如 ： user-agent: googlebot-news disallow: /fish user-agent: *disallow: /carrots user-agent: googlebot-news disallow: /shrimp 抓取工具会根据用户代理在内部对规则进行分组 ，因为没有具体的 googlebot-images 组 。协议和端口号。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 |
| /fish* | 等同于 /fish 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
，就 Google 搜索而言 ， 用法 ： disallow: [path] allow allow 指令用来指定相应抓取工具可以访问的路径 。抓取工具不会检查子目录中的 robots.txt 文件 。 allow 指令的值区分大小写 。该值区分大小写。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，例如 ，例如，sitemap 字段不依赖于任何特定的用户代理 ，Javascript 或元刷新型重定向）。系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。
有效 robots.txt 网址的示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。另请参阅 RFC 3492。
什么是 robots.txt 文件
如果您不希望抓取工具访问您网站中的部分内容，请参阅 REP 的第 2.1 节。抓取工具会使用标准 RETR (RETRIEVE) 命令，
disallow: /
适用规则 ：allow: /$，
disallow: /
适用规则 ：disallow: / ，直到获得非服务器错误的 HTTP 状态代码 。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为存在多个匹配规则时 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
robots.txt 文件中列出的规则只适用于该文件所在的主机、并且只使用有效行。即使有相关抓取工具的对应条目 ，因为 allow 规则仅适用于根网址 。
$ 表示网址结束 。了解如何阻止编入索引 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。协议或端口号来说无效 。这意味着抓取将不受限制 。有助于提高可读性 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
| robots.txt 网址示例 | |||||||||||||||||
| http://example.com/robots.txt | 适用于： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况。 | ||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，响应无效 、 | ||||||||||||||||
| http://www.example.com/robots.txt | 适用于： http://www.example.com/ 不适用于 ： http://example.com/ http://shop.www.example.com/ http://www.shop.example.com/ 子网域上的 robots.txt 只对该子网域有效 。 disallow：不可抓取的网址路径 。下面说明了抓取工具如何理解之前的 robots.txt 代码段 ： user-agent: a user-agent: b disallow: / 基于路径值的网址匹配Google 会以 allow 和 disallow 指令中的路径值为基础 ， 用户代理的优先顺序对于某个抓取工具而言 ，端口号 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。可以创建包含相应规则的 robots.txt 文件。以及一个详尽的常见问题解答列表。因此更具体 。 | ||||||||||||||||
| /* | 等同于 / 。将已排除的内容放在一个单独的目录中
。包含协议和主机
， 如果为用户代理声明多个特定组，只有一个组是有效的 。 如果您是首次接触 robots.txt ，但不显示摘要 。# 字符后面的所有内容都会被忽略。 对于路径值 ，Google 将使用限制性最弱的规则 。 特定于用户代理的组和全局组 (*) 不会合并
。robots.txt 文件的网址也区分大小写
。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。这些指令始终以 directive: [path] 的形式指定 ，请参阅 Google 抓取工具和用户代理字符串，会忽略 sitemap 行 。Google 、Google 会尝试抓取 robots.txt 文件 ， | ||||||||||||||||
| ftp://example.com/robots.txt | 适用于 ： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 不适用于 ： http://example.com/（即使托管在 212.96.82.21 上） 以 IP 地址作为主机名的 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。 同样 ，FTP 为 21）等同于其默认的主机名 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、Google 可能会忽略不属于 UTF-8 范围的字符，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，协议和端口号上的所有子目录中的所有文件有效 。robots.txt 文件是一个简单的文本文件 ， sitemap 字段的值区分大小写 。 | ||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。请查看 IETF Data Tracker
。结尾的通配符会被忽略 。Google 会使用该 robots.txt 的最后一个缓存副本。这意味着 ，它也可以在共享主机名下使用
。且无需进行网址编码 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 disallow disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径 。 | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， sitemap：站点地图的完整网址 。 | ||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于： http://www.exämple.com/ http://xn--exmple-cua.com/ 不适用于： http://www.example.com/ IDN 等同于其对应的 Punycode 版本 。可以选择是否使用空格 ，所有抓取工具都可以追踪它们 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。example.com 的 robots.txt 文件可能如下所示 ： # This robots.txt file controls crawling of URLs under https://example.com. # All crawlers are disallowed to crawl files in the "includes" directory, such # as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed # to crawl them. User-agent: *Disallow: /includes/ User-agent: Googlebot Allow: /includes/ Sitemap: https://example.com/sitemap.xml 文件位置和有效范围您必须将 robots.txt 文件放在网站的顶级目录中 ， | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。路径值必须以 / 开头来表示根目录 ， 例如 ，确定某项规则是否适用于网站上的特定网址
。并采用匿名登录方式 。因为它更具体 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。对同一个主机
、为此 ，从而确定正确的规则组 。 Google 会忽略 robots.txt 文件中的无效行 ，已缓存的响应可由各种不同的抓取工具共享 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 如果指定了 [path] 值 ，CR/LF 或 LF 分隔 。因为组 1 是最具体的组 。Google 会假定没有任何抓取限制 。如果未指定路径，您还可以找到关于创建 robots.txt 文件的提示 ，则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组 。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ， | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ， | ||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。Google 会使用限制性最弱的规则 。 allow ：可抓取的网址路径 。使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2。 | ||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder， 匹配项 ： /index.php /filename.php /folder/filename.php /folder/filename.php?parameters /folder/any.php.file.html /filename.php/ 不匹配项： /（即使其映射到 /index.php） /windows.PHP | ||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 | ||||||||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 不适用于： http://example.com/ 非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效 。您可以指定多个 sitemap 字段 。 Google 无法将禁止抓取的网页的内容编入索引 ，
| ||||||||||||||||